Lindy

Lindy 是一款无代码 AI 智能体平台，由前 Uber 产品经理 Flo Crivello 于 2023 年初创立，他此前曾开发过虚拟办公室工具 Teamflow。该公司总部位于旧金山，已在多轮融资中筹集了约 $50M，投资方包括 Battery Ventures、Menlo Ventures 和 Coatue。Lindy 的核心理念是：你无需构建 if-then（如果-那么）自动化规则，只需用自然语言描述你希望智能体做什么，Lindy 就会为你构建。这些智能体会持续运行，自动对收件箱进行分类、安排会议、为你准备销售电话、路由支持工单并更新 CRM，全程无需手动触发。

该平台可连接 4,000 多款应用，包括 Gmail、Outlook、HubSpot、Salesforce、Slack、Notion 和 Google Calendar。它支持多个 LLM 后端：Claude、GPT-4 和 Gemini，让你能为每个工作流选择合适的模型。平台提供包含 1,000 多个预置模板的库，开箱即用，涵盖了最常见的业务用例。2025 年中发布的 Lindy 3.0 新增了自然语言 Agent Builder（输入你的需求，Lindy 即可构建流程）、Autopilot（智能体通过云电脑操作缺乏 API 的应用）以及用于共享智能体管理的 Team Accounts。该平台已通过 SOC 2 认证，符合 GDPR 和 HIPAA 标准，并且不会使用你的数据来训练模型。

2026 年 4 月的 Lindy 究竟是什么

Lindy 将自己定位为“Zapier 和 ChatGPT 的结合体”，这是 Flo Crivello 在发现最初的“AI 员工”概念对早期用户来说过于抽象后，刻意采用的表述。事实证明，这种重新定位非常准确。Lindy 是一个位于你现有工具之上的智能体层：你无需逐步设计工作流，只需描述一个结果（“当有新线索给我发邮件时，调查他们的 LinkedIn 和 HubSpot 记录，起草一封个性化回复，并记录对话”），Lindy 就会处理步骤之间的推理过程。

截至 2026 年 4 月，该平台在四个类别上表现尤为出色。电子邮件自动化：Lindy 监控你的收件箱，应用标签，归档新闻通讯，用你的语气起草回复，并仅将需要人工判断的邮件升级处理。日历和日程安排：智能体寻找可用时间段，发送邀请，在发生冲突时重新安排，并生成从 LinkedIn 和 Crunchbase 提取的会前简报。销售运营：SDR 智能体在每次拓展前研究潜在客户，根据近期公司新闻个性化消息，并在通话后将笔记推送回你的 CRM。客户支持：表单提交会触发自动回复、工单记录、Slack 通知，并在触及情绪或关键词阈值时升级给人工处理。

2025 年 6 月发布的 Lindy 3.0 是自 2024 年 5 月 Lindy 2.0 发布（引发了公司病毒式增长）以来最重大的产品更新。YouTuber MattVidPro 在 2.0 发布五天后的评测带来了大量涌入的用户，使服务器和支持能力不堪重负。那一刻，加上 Flo 在当年早些时候花了 5-6 个月时间重建核心架构，推动 Lindy 凭借 35 人的团队达到了数百万美元的 ARR。3.0 的 Autopilot 功能赋予了智能体访问云电脑的能力，以执行超出标准 API 调用范围的任务，这是当前产品中最具技术野心的功能。

“这种简单性确实令人印象深刻，而且那些模板可以为你节省大量时间。”——Annika Helendi，Substack 评测，2025 年 7 月 28 日

Lindy 与 Zapier Agents 和 Make.com 的定位对比

与 Zapier 的比较是架构层面的，而非表面上的。Zapier 的核心引擎是确定性的：当 X 发生时，执行 Y，并为每个边缘情况提供基于规则的分支和后备路径。Zapier Agents（添加到 Zapier 平台的 AI 层）是附加在这一确定性基础上的模块。Zapier 连接了 7,000 多款应用，几乎是 Lindy 的两倍，并为需要每一步都可预测的高容量、可审计工作流提供企业级可靠性。代价是：Zapier 无法处理非结构化输入。杂乱的电子邮件附件、不规则的潜在客户笔记以及不符合预定义模式的对话数据，都会让 Zapier 束手无策。而 Lindy 可以原生处理这些问题，因为进行解析的是 LLM，而不是正则表达式规则。

Make.com（前身为 Integromat）占据了不同的定位。其可视化画布构建器让高级用户可以通过拖放模块链来设计复杂的多分支工作流。Make 将 AI 服务视为可插拔组件：你可以在手工设计的流程中添加 OpenAI 或 Anthropic 模块作为一个步骤。这为你提供了细粒度的控制和完整的调试可见性，当自动化复杂性增加时，这确实非常有价值。Make 的起价约为 $10.59/mo，远低于 Lindy $49.99/mo 的实际入门价格。评测者 Annika Helendi 在测试两者后得出结论，她将保留 Make.com 用于复杂的自动化，同时使用 Lindy 处理更简单的任务，特别是因为当多步智能体运行中出现问题时，Lindy 的循环调试功能几乎不存在。

Lindy 的结构性优势在于 Computer Use（用于自动化无 API 应用的 Autopilot 功能）、无需画布的自然语言设置，以及跨非结构化数据的真正上下文决策。其结构性短板在于分支逻辑控制、后备路径设计、调试工具以及规模化时的成本可预测性。与专注于研究和长周期智能体任务的 Manus 等工具相比，Lindy 更专注于具有深度应用连接的业务工作流自动化。对于探索无代码基于表单的工作流的企业来说，Jotform AI Agents 提供了一种表单原生的方法，能与 Lindy 在电子邮件和日历方面的优势很好地互补。

Lindy 内部的智能体系统究竟是如何运作的

每个智能体（称为“Lindy”）都配置有一个触发器、一组指令、一个 AI 模型选择以及连接的工具。触发器可以是基于时间的（每天早上 8 点）、基于事件的（来自特定域名的新邮件）或手动的。指令用自然语言编写：“当有新联系人添加到 HubSpot 时，在 LinkedIn 上搜索他们最近的帖子，写一段 3 句话的摘要说明他们关心什么，并将其添加到联系人备注字段中。”

积分系统为执行提供资金。每个操作根据复杂程度消耗积分：简单的读取和记录消耗 1 个积分；使用 GPT-4 或 Claude 的 AI 密集型步骤消耗 5-10 个积分。Pro 计划中的 5,000 个积分对于基于循环的自动化或高邮件量的用户来说可能会很快耗尽。这一点在前期并没有明确沟通，也是用户评论中最一致的抱怨之一。评测者报告称，在设置了看似适度的自动化后，到了月中就会被锁定。

包含 1,000 多个模板的库对于新手入门确实非常有用。例如，Lindy 的销售电话准备模板会在每次日历事件前 30 分钟从 LinkedIn、Crunchbase 和网络搜索中提取信息并提供简报。Annika Helendi “在几分钟内”就让它运行了起来。然而，模板级别的简单性与自定义工作流的复杂性之间确实存在差距：一旦你超越模板，进入带有条件分支的多步逻辑，你实际上是在编写智能体指令，却没有专门设计用于调试它们的工具。

“我发现自己开始避免进行实验或与我的 AI 智能体进行随意的对话”。——Annika Helendi，Substack 评测，2025 年 7 月 28 日，描述了在比预期更快耗尽每月额度后的积分焦虑

用户不断提出的摩擦和可靠性问题

Lindy 在 Trustpilot 上的得分为 2.0-2.4（满分 5 分），评级为“差”，这与其在 G2 上 4.9/5 的得分形成鲜明对比。这种分歧很能说明问题：G2 的评测者往往是深思熟虑的评估者；而 Trustpilot 涵盖了更广泛的人群，包括遇到计费问题或部署了表现异常的智能体的用户。

计费和取消模式是最严重的反复出现的问题。多位独立评测者报告了取消后仍被收费、UI 中没有自助取消按钮（Lindy 声称在 Settings 中有一个），以及以周为单位的支持响应时间。一位 Trustpilot 评测者报告了一笔未经授权的 $350 扣款。另一位评测者描述了一个电子邮件智能体由于循环错误，重复向同一批潜在客户发送了 2-3 次消息，导致他们损失了五个客户，并在当地商业社区中声誉受损。这些并非孤立事件，它们代表了跨越 2024 年和 2025 年各大评测平台的一致模式。

其他反复出现的挫败感包括：每次智能体运行都有 20-30 秒的任务初始化延迟，令人眼花缭乱的触发器选择屏幕削弱了对新用户的无代码承诺，以及对 Google 生态系统的严重依赖（核心功能运行前需要广泛的 OAuth 权限，在 Office 365 环境中表现明显较差）。将 Lindy 与语音或电话自动化结合使用的企业应单独考虑 Echowin，它原生处理呼入电话自动化。对于在智能体拓展的同时叠加数据丰富功能的销售团队，Clay 能与 Lindy 的 SDR 工作流很好地集成。

Lindy 适合谁

Lindy 最适合独立创始人、2-20 人的小型团队，以及大型组织中希望在不增加雇员的情况下委派重复性电子邮件、日程安排和 CRM 任务的个人贡献者。与 Google 生态系统的契合度是真实的：如果你的公司使用 Gmail、Google Calendar 和 Google Docs，Lindy 的集成非常深入且基本没有摩擦。进行对外拓展的销售团队从潜在客户研究自动化中获益最多，这确实能在通话前节省时间。拥有中等工单量（每天 50-200 个工单）的客户支持团队可以使用 Lindy 进行首次响应分类和路由，而无需构建专门的支持工具。

在以下情况下请避开 Lindy：你需要具有完整调试可见性的复杂多分支自动化（Make.com 或 n8n 更合适）；你的组织以 Office 365 为主（Lindy 可以运行但摩擦更多）；你需要高容量下可预测的单次操作定价（Zapier 基于任务的模型更易于审计）；或者你需要内置后备路径和错误处理的企业级工作流可靠性。积分模型也使得 Lindy 不适合在高容量环境中对每个入站事件触发的自动化。对于具有 AI 原生搜索的重文档知识工作流，OpenClaw 解决了一个互补的用例，值得与 Lindy 一起评估。